A binary factor model

在统计学领域，研究人员经常面临一个难题：如何在一长串相关的实事中理出头绪，而不至于迷失在细节之中。想象一下，你试图理解为什么一群人具有某些共同特征，比如患有某种特定疾病、处于某个年龄段或居住在某个特定地点。与其单独观察每一个特征，统计学家使用一种叫做“因子分析”的工具。这种方法试图寻找几个隐藏的、潜在的原因，来解释为什么这些特征会同时出现。几十年来，这一工具在处理任何数值（如身高或温度）的测量时表现得非常出色。然而，当数据由简单的“是”或“否”的回答组成时（例如，患者是否住院），它却显得力不从心。旧的方法假设隐藏的原因是平滑且连续的，这与“是/否”数据的尖锐、二元性质并不相符。

由墨西哥 ITAM 的 Luis E. Nieto-Barajas 领导的一位研究人员开发了一种解决这一问题的新方法。他们创建了一个专门针对二元数据（即答案严格为“是”或“否”）设计的全新模型。在他们的方法中，所寻找的隐藏原因表现得与旧模型不同。这些隐藏因子并非自由移动，而是被设计为相互排斥；如果一个因子很强，其他因子就必须较弱。这创造了一种自然的平衡，就像一个有限的空间，其中一次只能有一个事物完全存在。通过使用这种特定的行为，研究人员可以揭示二元数据中的隐藏结构，而不会强行将数据套入一个不属于它的形状中。

为了测试他们的想法，研究人员首先建立了一个计算机模拟。他们创建了一个包含七个不同的“是/否”变量和三个隐藏原因的虚构数据集。他们将这些数据输入到新模型中，并观察它是否能找到他们预先植入的三个原始原因。该模型运行良好，成功识别了正确数量的隐藏原因并估算了它们的重要性。研究人员发现，当尝试使用比真实情况更少或更多的原因时，模型的解释能力就会下降。这次模拟证明了他们的数学框架是稳健的，能够处理二元数据的复杂性而不会崩溃。

在受到模拟实验的鼓舞后，研究人员转向现实世界的数据，以观察其模型能否应对混乱的现实情况。他们分析了一个包含 1,814 例墨西哥确诊 COVID-19 病例的数据库。数据包括每位患者的十二种不同指标，例如是否为女性、是否住院、是否患有肺炎，或者是否患有糖尿病或肥胖症等状况。目标是看该模型能否将这十二个指标归类为几个有意义的类别，从而解释为什么某些患者会出现特定的症状组合。

该模型成功地将患者分成了三个截然不同的隐藏组。第一组将住院和肺炎联系在一起，暗示了一个与病毒严重并发症相关的隐藏原因。第二组几乎完全与患者为女性有关，表明性别是一个独立的因素，与疾病的严重程度相分离。第三组聚集了诸如糖尿病、心脏病和肾衰竭等状况，这些状况往往在老年人中共同出现。第三组代表了一个成年人健康问题的隐藏原因，使患者变得更加脆弱。研究人员将他们的结果与沿用了多年的传统方法进行了比较，传统方法试图将二元数据强行套入旧有的连续形状中。传统方法将这些组混合在一起，把严重并发症与性别结合在一起，从而掩盖了新模型所揭示的清晰模式。

研究还调查了每个隐藏组的重要性。研究人员发现，与严重并发症相关的组和与成年健康问题相关的组是最重要的，各解释了数据中显著的一部分变异。性别因素虽然也是独立的，但解释了较少的整体情况。通过使用这种新方法，研究人员可以清晰地看到这些模式，而不会受到困扰旧技术的混乱影响。他们不仅发现了一个新公式，还发现了一种能更清晰地观察二元数据结构的方法，表明当隐藏原因被允许以符合数据的方式进行表现时，它们所讲述的故事会变得更容易理解。这项工作表明，对于涉及“是/否”回答的问题，旧工具可能并未达到目标，而一种尊重数据独特性质的新方法对于寻找真相是必要的。